[发明专利]基于异质因果推断的城市通勤主通道多匝道网联控制方法

权利要求书

1.基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，该方法包括以下步骤：

1)构建交通-事故数据集，包括控制周期k内瓶颈路段占用率O(kT)和瓶颈路段上下游设定范围内的所有进口匝道的输入流量，控制周期k结束时经过编码的O(kT)和q_ri(kT)的时间特征，控制周期k结束时瓶颈路段下游距离最近的事故特征，控制周期k之前p^*个控制周期的瓶颈占用率和瓶颈路段上下游设定范围内所有进口匝道的输入流量，其中q_ri(kT)为控制周期k内瓶颈路段上下游设定范围内进口匝道i的输入流量，i∈I，I为瓶颈路段上下游各设定范围内的进口匝道集合，p^*为设定的阶数，T为控制周期长度；

2)基于步骤1)中的交通-事故数据集，针对I中的每一进口匝道构建异质因果推断模型，得到控制周期(k+1)内每一进口匝道的异质因果效应；

3)若控制周期(k+1)内瓶颈路段占用率超过设定占用率阈值，则以控制周期(k+1)内的异质因果效应作为相应进口匝道的权重，进而更新相应进口匝道的调节率；

4)基于步骤3)中更新后的匝道调节率更新相应进口匝道末端红路灯的绿灯时长，控制从该进口匝道进入的车辆数，实现多匝道协同控制。

2.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中事故特征包括事故距离、持续时间。

3.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中，阶数p^*由赤池信息量准则AIC确定。

4.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤1)中，采用CatBoost编码器对时间特征进行编码。

5.根据权利要求1所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2)中，具体为：

2.1)以交通-事故数据集中的O(kT)作为异质因果推断模型的结果变量Y，q_ri(kT)作为异质因果推断模型的处理变量Z，其余能同时影响处理变量和结果变量的作为控制变量W、只影响结果变量而不影响处理变量的作为特征变量X；

2.2)基于机器学习算法，构建结果变量预测模型y(X，W)，表示基于特征变量X和控制变量W预测结果变量Y；

2.3)基于机器学习算法，构建处理变量预测模型z(X，W)，表示基于特征变量X和控制变量W预测处理变量Z；

2.4)构建异质因果推断模型Y-y(X，W)＝θ(X)·[Z-z(X，W)]+∈，优化求解得到异质因果效应θ(X)，其中∈为随机误差。

6.根据权利要求5所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2.1)中，基于因果图框架理论识别控制变量W和特征变量X。

7.根据权利要求5所述的基于异质因果推断的城市通勤主通道多匝道网联控制方法，其特征在于，所述步骤2.2)和2.3)中，机器学习算法的训练集包括前一个控制周期的瓶颈路段占用率和瓶颈路段上下游设定范围内的所有进口匝道的输入流量，前一个控制周期结束时经过编码的瓶颈路段占用率和瓶颈路段上下游设定范围内的所有进口匝道的输入流量的时间特征，前一个控制周期之前p^*个控制周期的瓶颈占用率和瓶颈路段上下游设定范围内所有进口匝道的输入流量。